feat: 직군을 개발 4종 → 개발 8종 + 비개발 12종으로 확장

CLAUDE.md

@@ -1,12 +1,12 @@
 # StackUp — Claude 컨텍스트 (루트)
 
-> **IT 직군 멀티모달 AI 면접 시뮬레이터.** 본 문서는 전체 오버뷰 + 모든 컨텍스트 문서의 **인덱스**다. 작업 디렉토리에서 가장 가까운 `CLAUDE.md`를 먼저 읽고, 필요한 횡단 관심사는 `docs/`에서 찾는다.
+> **멀티모달 AI 모의면접 시뮬레이터 (취준생 전반 — 개발·비개발 직군).** 본 문서는 전체 오버뷰 + 모든 컨텍스트 문서의 **인덱스**다. 작업 디렉토리에서 가장 가까운 `CLAUDE.md`를 먼저 읽고, 필요한 횡단 관심사는 `docs/`에서 찾는다.
 
 ---
 
 ## 0. 한 줄 요약
 
-GitHub 레포 + 이력서 → AI가 분석 → 개인 맞춤 모의 면접 → 음성·비언어적 분석 포함 종합 피드백.
+이력서·자소서(+개발 직군이면 GitHub 레포) → AI가 분석 → 개인 맞춤 모의 면접 → 음성·비언어적 분석 포함 종합 피드백.
 
 상세 비전·페르소나·메트릭: [`docs/product-overview.md`](./docs/product-overview.md)
 

README.md

@@ -5,7 +5,7 @@
 **내 이력서를 아는 면접관과 연습하세요.**
 
 GitHub 레포지토리와 이력서를 분석해 나만을 위한 질문을 만들고,
-얕은 답변은 다시 파고드는 IT 직군 AI 모의면접 시뮬레이터입니다.
+얕은 답변은 다시 파고드는 AI 모의면접 시뮬레이터입니다. 개발·비개발 직군 모두 지원합니다.
 
 [stack-up.shop](https://stack-up.shop)
 

ai/CLAUDE.md

@@ -432,9 +432,9 @@ docker run --env-file .env -p 8000:8000 stackup-ai
   직군(질문 카테고리) 수만큼 기술 평가위원을 동적 생성(`_domain_specs_weighted`) + 논리·전달력 평가위원을
   더해 `asyncio.gather` 로 병렬 채점 → 직군 평가는 질문 등장 빈도로 가중평균해 `technical_accuracy` 산출,
   이를 논리·전달력과 고정 비율(0.5:0.25:0.25)로 다시 가중평균해 `overall_score` 결정(순수 파이썬, LLM 미호출).
-  직군별 평가 관점(`dimension_guide`)은 `_DOMAIN_TECH_GUIDE`(FRONTEND/BACKEND/INFRA/DBA 각각 실무 관점이
-  다른 문구)로 실제로 차별화되어 있다 — 이전에는 `persona` 라벨만 다르고 가이드 내용이 공통이었던 문제를
-  회귀 테스트(`tests/test_feedback_panel.py`)로 막아둠. 목록에 없는 직군은 `_TECH_GUIDE`(범용)로 폴백.
+  직군별 평가 관점(`dimension_guide`)은 `_DOMAIN_TECH_GUIDE`(직군 20종 각각 실무 관점이
+  다른 문구 — 2026-09-28 에 개발 8종 + 비개발 12종으로 확장)로 실제로 차별화되어 있다 — 이전에는 `persona` 라벨만 다르고 가이드 내용이 공통이었던 문제를
+  회귀 테스트(`tests/test_feedback_panel.py`)로 막아둠. 목록에 없는 직군은 `_TECH_GUIDE`(범용)로 폴백 — 이 기본 문구는 **기술 이야기를 하지 않는다**. 서비스 대상이 취준생 전반이라 '기술 정확성·trade-off' 로 뭉뚱그리면 영업·인사 지원자에게는 평가 근거가 통째로 헛돈다(`test_generic_guide_is_not_engineering_flavoured`).
   첫인상·직무적합도·인성 평가는 별도 체인으로 같은 병렬 흐름에 얹히지만 이 가중평균 계산에는 미포함(표시용).
   평가위원 호출이 실패(레이트리밋·타임아웃 등)하면 `score=None`으로 가중평균에서 자동 제외되고,
   `panel_breakdown`의 `detail`에 실패 사실을 명시(`_EVAL_FAILED_DETAIL`)해 "판단 불가(정상)"와

ai/src/ai_server/chain/feedback_generation_chain.py

@@ -160,20 +160,44 @@ class _EvaluatorSpec:
     dimension_guide: str
 
 
+# 직군을 모를 때의 기본 관점. **기술 이야기를 하지 않는다** — 비개발 직군(영업·인사·
+# 마케팅…)까지 대상이라, "기술 정확성·trade-off" 로 뭉뚱그리면 그 지원자들에게는
+# 평가 근거가 통째로 헛돈다.
 _TECH_GUIDE = (
-    "- 기술 정확성, 깊이, trade-off, 근거를 봅니다. 질문의 '기대 신호'를 "
+    "- 직무 이해도, 판단의 근거, 경험의 구체성을 봅니다. 질문의 '기대 신호'를 "
     "답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
 )
 
 _DOMAIN_KO = {
+    # 개발
     "FRONTEND": "프론트엔드",
     "BACKEND": "백엔드",
-    "INFRA": "인프라",
+    "INFRA": "인프라·DevOps",
     "DBA": "DBA",
+    "MOBILE": "모바일",
+    "DATA_AI": "데이터·AI",
+    "SECURITY": "보안",
+    "QA": "QA·테스트",
+    # 비개발
+    "PLANNING": "기획·PM",
+    "MARKETING": "마케팅·광고",
+    "SALES": "영업·영업관리",
+    "HR": "인사·노무",
+    "FINANCE": "재무·회계",
+    "DESIGN": "디자인",
+    "MANUFACTURING": "생산·품질",
+    "RND": "연구개발",
+    "CUSTOMER_SERVICE": "고객지원·CS",
+    "LOGISTICS": "물류·유통·구매",
+    "LEGAL": "법무",
+    "PUBLIC": "공공·행정",
 }
 
 # 직군별 실제 평가 관점. 라벨(persona)만 다르고 내용은 공통이던 문제를 해결하기 위해
 # 직군마다 실무에서 중요도가 높은 관점을 명시한다. 목록에 없는 직군은 _TECH_GUIDE로 대체.
+#
+# 비개발 직군을 추가하면서 문장을 직군의 언어로 썼다 — 영업 지원자에게 "trade-off 와
+# 기술 깊이" 를 묻는 평가 기준을 들이대면 점수의 근거가 성립하지 않는다.
 _DOMAIN_TECH_GUIDE = {
     "FRONTEND": (
         "- 렌더링·상태관리 설계, 성능(리렌더링·번들·네트워크) trade-off, 접근성·크로스브라우저 "
@@ -191,6 +215,70 @@ class _EvaluatorSpec:
         "- 인덱스·쿼리 실행계획 분석, 정규화·비정규화 trade-off, 트랜잭션 격리수준과 "
         "백업·복구 전략을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
     ),
+    "MOBILE": (
+        "- 화면 생명주기·상태 보존, 배터리·네트워크 제약 아래의 설계 선택, 스토어 배포와 "
+        "버전 파편화 대응을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "DATA_AI": (
+        "- 문제 정의와 지표 설계, 데이터 품질·편향 점검, 모델 선택의 근거와 검증 방법, "
+        "재현성을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "SECURITY": (
+        "- 위협 모델링, 취약점의 원리와 영향 범위 판단, 방어 수단의 trade-off와 사고 대응 "
+        "절차를 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "QA": (
+        "- 테스트 설계(경계·동등분할)와 우선순위 판단, 자동화 범위 선정, 결함 재현·보고의 "
+        "정확성을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "PLANNING": (
+        "- 문제 정의와 우선순위 판단 근거, 지표 설계와 가설 검증, 이해관계자 조율 과정을 "
+        "봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "MARKETING": (
+        "- 타깃·메시지 설정의 근거, 채널 선택과 예산 배분 판단, 성과 지표 해석과 개선 "
+        "사이클을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "SALES": (
+        "- 고객 문제 파악과 제안 논리, 거절·이견 대응 방식, 파이프라인 관리와 수치 기반 "
+        "목표 관리를 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "HR": (
+        "- 채용·평가 기준의 공정성, 노동 관계 법규 이해, 조직 이슈를 다루는 절차와 "
+        "비밀 유지 감각을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "FINANCE": (
+        "- 회계 처리의 정확성과 근거, 재무제표 해석, 예산·자금 계획의 판단과 내부통제 "
+        "감각을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "DESIGN": (
+        "- 사용자 문제 정의와 시안 결정의 근거, 일관성·접근성 고려, 피드백 수용과 개선 "
+        "과정을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "MANUFACTURING": (
+        "- 공정 이해와 불량 원인 분석, 품질 지표 관리와 개선 활동, 안전·표준 준수 감각을 "
+        "봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "RND": (
+        "- 연구 문제 설정과 선행 연구 파악, 실험 설계와 결과 해석의 엄밀성, 실패를 다루는 "
+        "태도를 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "CUSTOMER_SERVICE": (
+        "- 문의 상황 파악과 응대 판단, 불만·클레임 처리 절차, 반복 문제를 구조적으로 "
+        "줄이는 제안을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "LOGISTICS": (
+        "- 수요 예측과 재고 판단, 배송·조달 리드타임 관리, 비용과 납기의 trade-off를 "
+        "봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "LEGAL": (
+        "- 계약·규정 해석의 정확성, 법적 위험의 식별과 완화 방안, 사업 요구와 준법 사이의 "
+        "조율을 봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
+    "PUBLIC": (
+        "- 정책·제도 이해와 절차 준수, 공공성과 형평성 판단, 민원·이해관계 조율 경험을 "
+        "봅니다. 질문의 '기대 신호'를 답변이 얼마나 짚었는지를 핵심 근거로 삼습니다."
+    ),
 }
 
 

ai/src/ai_server/model/messages/feedback.py

@@ -4,6 +4,7 @@
 
 from ai_server.model._config import camel_config
 from ai_server.model.messages.questions import GenerationStatus
+from ai_server.model.messages.job_category import JobCategory
 
 InterviewMode = Literal["PERSONALITY", "TECHNICAL", "INTEGRATED", "JOB_TAILORED"]
 
@@ -55,7 +56,7 @@ class GenerateFeedbackRequest(BaseModel):
 
     session_id: int
     mode: InterviewMode
-    job_category: Literal["FRONTEND", "BACKEND", "INFRA", "DBA"]
+    job_category: JobCategory
     total_question_count: int | None = None
     # 종료 사유(USER_REQUEST/MAX_QUESTIONS_REACHED/POOL_EXHAUSTED 등). 프롬프트 컨텍스트로만
     # 쓰이므로 자유 문자열로 둬 Core 가 사유를 추가해도 피드백 파싱이 깨지지 않게 한다.

ai/src/ai_server/model/messages/followup.py

@@ -4,6 +4,7 @@
 
 from ai_server.model._config import camel_config
 from ai_server.model.messages.questions import GenerationStatus
+from ai_server.model.messages.job_category import JobCategory
 
 InterviewMode = Literal["PERSONALITY", "TECHNICAL", "INTEGRATED"]
 
@@ -29,7 +30,7 @@ class GenerateFollowupRequest(BaseModel):
     previous_question: str
     answer_text: str
     mode: InterviewMode
-    job_category: Literal["FRONTEND", "BACKEND", "INFRA", "DBA"]
+    job_category: JobCategory
     context_document_ids: list[int] = Field(default_factory=list)
     parent_category: str | None = None  # 직전 질문 카테고리 (루브릭 선택)
     # 직전 질문이 기대하는 핵심(평가 관점). correctness/specificity 충족도 채점에 사용.

ai/src/ai_server/model/messages/job_category.py

@@ -0,0 +1,34 @@
+"""직군 타입의 단일 정의.
+
+전에는 같은 `Literal[...]` 목록이 questions·followup·feedback·voice·tts 5곳에 복사돼
+있었다. 직군을 늘릴 때 한 곳이라도 빠뜨리면 **그 메시지만 검증에서 튕기고** 해당 경로가
+조용히 DLQ 로 간다 — 다섯 곳을 동시에 맞추는 일에 사람을 믿을 이유가 없다.
+"""
+
+from typing import Literal
+
+# Core 의 JobCategory enum 과 1:1. 개발은 세부 직무, 비개발은 대분류 단위다.
+JobCategory = Literal[
+    # 개발
+    "FRONTEND",
+    "BACKEND",
+    "INFRA",
+    "DBA",
+    "MOBILE",
+    "DATA_AI",
+    "SECURITY",
+    "QA",
+    # 비개발
+    "PLANNING",
+    "MARKETING",
+    "SALES",
+    "HR",
+    "FINANCE",
+    "DESIGN",
+    "MANUFACTURING",
+    "RND",
+    "CUSTOMER_SERVICE",
+    "LOGISTICS",
+    "LEGAL",
+    "PUBLIC",
+]

ai/src/ai_server/model/messages/questions.py

@@ -3,9 +3,10 @@
 from pydantic import BaseModel
 
 from ai_server.model._config import camel_config
+from ai_server.model.messages.job_category import JobCategory  # noqa: F401
 
 InterviewMode = Literal["PERSONALITY", "TECHNICAL", "INTEGRATED", "JOB_TAILORED"]
-JobCategory = Literal["FRONTEND", "BACKEND", "INFRA", "DBA"]
+
 QuestionCategory = Literal[
     "CS_FUNDAMENTAL",
     "PROJECT_DEEP_DIVE",

ai/src/ai_server/model/messages/tts.py

@@ -3,6 +3,7 @@
 from pydantic import BaseModel
 
 from ai_server.model._config import camel_config
+from ai_server.model.messages.job_category import JobCategory
 
 
 class GenerateTtsRequest(BaseModel):
@@ -14,7 +15,7 @@ class GenerateTtsRequest(BaseModel):
     message_id: int  # interview_messages.id (INTERVIEWER 질문)
     text: str
     mode: Literal["PERSONALITY", "TECHNICAL", "INTEGRATED"]
-    job_category: Literal["FRONTEND", "BACKEND", "INFRA", "DBA"]
+    job_category: JobCategory
 
 
 class TtsCallbackPayload(BaseModel):

ai/src/ai_server/model/messages/voice.py

@@ -3,6 +3,7 @@
 from pydantic import BaseModel, Field
 
 from ai_server.model._config import camel_config
+from ai_server.model.messages.job_category import JobCategory
 
 InterviewMode = Literal["PERSONALITY", "TECHNICAL", "INTEGRATED"]
 
@@ -19,7 +20,7 @@ class AnalyzeVoiceRequest(BaseModel):
     content_type: str
     previous_question_text: str | None = None
     mode: InterviewMode
-    job_category: Literal["FRONTEND", "BACKEND", "INFRA", "DBA"]
+    job_category: JobCategory
 
 
 class VoiceCallbackPayload(BaseModel):

ai/tests/test_feedback_panel.py

@@ -216,11 +216,61 @@ def test_domain_guides_differ_by_job_category():
 def test_unknown_job_category_falls_back_to_generic_guide():
     from ai_server.chain.feedback_generation_chain import _TECH_GUIDE
 
-    assert _tech_guide_for("QA") == _TECH_GUIDE
+    # 예전엔 "QA" 를 미등록 예시로 썼다 — 이제 실제 직군이라 더는 fallback 이 아니다.
+    assert _tech_guide_for("NOT_A_REAL_CATEGORY") == _TECH_GUIDE
     assert _tech_guide_for("") == _TECH_GUIDE
     assert _tech_guide_for(None) == _TECH_GUIDE
 
 
+def test_generic_guide_is_not_engineering_flavoured():
+    """비개발 직군까지 대상이라 기본 관점이 기술 이야기를 하면 안 된다.
+
+    예전 기본값은 "기술 정확성, 깊이, trade-off" 였다. 영업·인사 지원자에게 그 기준을
+    들이대면 점수의 근거가 통째로 헛돈다.
+    """
+    from ai_server.chain.feedback_generation_chain import _TECH_GUIDE
+
+    for word in ("기술", "trade-off"):
+        assert word not in _TECH_GUIDE, f"기본 관점에 '{word}' 가 들어 있다"
+
+
+def test_every_job_category_has_label_and_guide():
+    """직군을 늘릴 때 라벨·평가관점 중 하나만 빠뜨리면 그 직군만 조용히 일반 문구를 받는다."""
+    from ai_server.chain.feedback_generation_chain import _DOMAIN_KO, _DOMAIN_TECH_GUIDE
+    from ai_server.model.messages.job_category import JobCategory
+    from typing import get_args
+
+    categories = set(get_args(JobCategory))
+    assert categories - set(_DOMAIN_KO) == set(), "한국어 라벨 누락"
+    assert categories - set(_DOMAIN_TECH_GUIDE) == set(), "평가 관점 누락"
+    assert set(_DOMAIN_KO) - categories == set(), "타입에 없는 라벨이 남아 있다"
+
+
+def test_literal_matches_db_check_constraint():
+    """AI 의 Literal 과 DB CHECK 가 어긋나면 그 직군 세션이 저장되거나 검증되다 터진다.
+
+    직군 목록은 Java enum·마이그레이션·Python Literal·프론트 세 군데에 흩어져 있다.
+    사람이 동시에 맞추는 일을 믿지 않는다 — 마이그레이션 원문에서 읽어 대조한다.
+    """
+    import pathlib
+    import re
+    from typing import get_args
+
+    from ai_server.model.messages.job_category import JobCategory
+
+    sql = (
+        pathlib.Path(__file__).resolve().parents[2]
+        / "backend/src/main/resources/db/migration/V35__extend_job_categories.sql"
+    ).read_text(encoding="utf-8")
+    in_sql = set(re.findall(r"'([A-Z_]+)'", sql))
+
+    assert in_sql == set(get_args(JobCategory)), (
+        "Literal 과 마이그레이션 CHECK 가 다르다: "
+        f"only-sql={sorted(in_sql - set(get_args(JobCategory)))} "
+        f"only-py={sorted(set(get_args(JobCategory)) - in_sql)}"
+    )
+
+
 def test_domain_spec_uses_domain_specific_guide():
     spec = _domain_spec("FRONTEND", "TECHNICAL")
     assert spec.persona == "프론트엔드 직군 시니어 기술 면접관"

backend/openapi.json

@@ -3393,7 +3393,7 @@
             "type" : "array",
             "items" : {
               "type" : "string",
-              "enum" : [ "FRONTEND", "BACKEND", "INFRA", "DBA" ]
+              "enum" : [ "FRONTEND", "BACKEND", "INFRA", "DBA", "MOBILE", "DATA_AI", "SECURITY", "QA", "PLANNING", "MARKETING", "SALES", "HR", "FINANCE", "DESIGN", "MANUFACTURING", "RND", "CUSTOMER_SERVICE", "LOGISTICS", "LEGAL", "PUBLIC" ]
             },
             "minItems" : 1
           },
@@ -3458,13 +3458,13 @@
           },
           "jobCategory" : {
             "type" : "string",
-            "enum" : [ "FRONTEND", "BACKEND", "INFRA", "DBA" ]
+            "enum" : [ "FRONTEND", "BACKEND", "INFRA", "DBA", "MOBILE", "DATA_AI", "SECURITY", "QA", "PLANNING", "MARKETING", "SALES", "HR", "FINANCE", "DESIGN", "MANUFACTURING", "RND", "CUSTOMER_SERVICE", "LOGISTICS", "LEGAL", "PUBLIC" ]
           },
           "jobCategories" : {
             "type" : "array",
             "items" : {
               "type" : "string",
-              "enum" : [ "FRONTEND", "BACKEND", "INFRA", "DBA" ]
+              "enum" : [ "FRONTEND", "BACKEND", "INFRA", "DBA", "MOBILE", "DATA_AI", "SECURITY", "QA", "PLANNING", "MARKETING", "SALES", "HR", "FINANCE", "DESIGN", "MANUFACTURING", "RND", "CUSTOMER_SERVICE", "LOGISTICS", "LEGAL", "PUBLIC" ]
             }
           },
           "maxQuestions" : {